（图片来源：摄图网）

（记者 杜峰）随着新一轮科技革命和产业变革深入发展，人工智能正由“技术爆发期”迈向“应用深水区”。近日，工信部明确提出，下一阶段将动员各地方、各行业全面推动工业数据开发利用，助力制造业数字化智能化转型。

当前，大模型产业落地面临的核心瓶颈，已非算力或算法，而是高质量行业数据，如何构建专属的高质量行业数据集，让沉睡的数据真正转化为新质生产力？运营商正以“数据飞轮”与“标准引领”给出破题之道。

跨越“语义鸿沟”：从“通用”到“专精”的突围

高质量数据集作为人工智能模型训练与应用的基石，在AI落地工业的实践中，一个尴尬的现象屡见不鲜：实验室里准确率99%的模型，到了工厂车间却频频“罢工”。这背后的核心痛点，在于高质量数据集的缺失。不同于互联网通用数据集（如图片、文本）的易获取、标准化，垂直行业的高质量数据集建设堪称一场“硬仗”。

在工业领域，数据的“方言”五花八门。某汽车制造企业在引入AI质检时发现，由于不同产线的光照条件、相机角度、零部件批次差异，导致训练数据与实际生产数据分布不一致，模型识别率骤降。同时，工业数据深埋在不同企业的不同车间、不同的设备中，格式各异、标准不一，工业数据的采集不仅需要解决多源异构设备的互联互通，更要应对工艺流程中细微变量带来的“长尾问题”。数据不仅要“量大”，更要具备极高的标注精度和场景还原度，这对数据采集的成本和专业度提出了极高要求。

在自然资源领域，挑战则来自数据的复杂性与稀缺性。以森林防火或地质灾害监测为例，极端天气和灾害事件的发生概率低，导致“负样本”数据极度匮乏。同时，遥感影像数据受云雾、季节、光照影响极大，若仅依靠通用数据集训练，AI很难在复杂的自然背景下精准识别出几厘米级的地表裂缝或早期火情。由于无法利用专用数据进行预训练，模型在行业术语理解、业务规则遵循及复杂流程执行上存在严重的“语义鸿沟”，极大地限制了实际应用效能。

这些难点共同指向一个事实：没有高质量的行业数据，就没有可靠的AI应用。AI落地难的实质，是高质量数据供给的断层。

构建“数据飞轮”：打通“采、集、用”的价值闭环

面对供给端的短缺，被动等待数据“长大”已不现实。运营商凭借其云网融合优势，通过“采、集、用”正在构建形成“场景牵引数据、数据驱动模型、模型赋能应用、应用创造价值”的“数据飞轮”模式。

中国电信目前已汇聚超过20万亿词元的高质量基模训练数据，并成功构建了覆盖教育、交通、文旅、政务、医疗、工业等14个重点行业的高质量数据集。中国电信打造的星海数据智能中台作为“数据原料库”，专注于高质量数据资源的准备与提纯，赋能多模态数据“采存算管用”全链路，显著提升数据管理效率70%，研发效能提升150%。灵泽2.0数据要素平台提供数据确权、流通交易、可信数据空间、公共数据授权运营四大功能，已在全国多地部署。星辰MaaS平台作为“数据精炼厂”，打通“数据—模型—服务”闭环。

中国移动打造了大规模、全模态、高质量、有特色的数据集超3PB。建设了集存储、处理、标注、评测、供给、优化、治理为一体的高质量数据集生产和供给能力体系，形成了30多种智能标注工具，研发了240多项多模态数据治理工具，建立了一套涵盖200多项指标的数据集质量评测体系，构建了数据-模型-应用三者互促共进的“数据飞轮”体系。支撑保定、长沙国家级数据标注基地建设。在数据赋能方面，数联网数据空间依托中国移动“连接+算力+能力”核心优势，建成跨行业、跨区域、跨机构的数据流通利用基础设施。目前，已在金融风控、医疗健康等12个重点行业落地应用，为数据的安全流通与高效利用提供了有力保障。

中国联通数智基于丰富的行业高质量数据集积累和先进的大模型技术，打造元景三大平台。依托元景万象数据工程平台，以“采、治、构、测、用、安”能力为核心，打通Data-Ready 数据构建流程，高效赋能AI应用快速落地。依托元景MaaS平台，提供上百种模型选择，构建低门槛、零代码的模型服务；依托元景万悟工业智能体平台，为高端制造、船舶海工、航空航天等关键领域提供可信、高效、安全的数据要素支撑。

标准先行：破解“孤岛”困局的通用语言

如果说“数据飞轮”解决了数据的“量”和“活”的问题，那么“标准”则是解决数据“通”的关键。

长期以来，行业数据面临着标准不统一、重复建设、质量参差不齐的乱象。一家企业建立的工业数据标签体系，另一家企业完全无法复用，导致大量的“数据孤岛”和重复标注成本。要降低治理成本与门槛，核心解法在于从“各自为战”走向“共建统一标准”。这场从“各自为战”到“统一标准”的转变，需要在三个层面协同推进。

首先，是“国家基础标准”的先行先试，为全行业划出“起跑线”。2025年8月，我国正式发布了《高质量数据集建设指南》《格式要求》《分类指南》《质量评测规范》四项基础性技术文件。其中《建设指南》将数据集的生命周期明确划分为数据需求、规划、采集、预处理、标注、模型验证等六大阶段，并为每一阶段设定了具体的实施要点和验收标准；《分类指南》则创新性地提出了“通识—行业通识—场景专识”三级分类体系，让不同用途的数据集各有归位、各取所需。有了这套“国家标准总纲”，各地方、各行业在启动自己的数据集建设时，就不再是无头苍蝇，而是有了统一的坐标系。

其次，是“行业应用标准”的精准下沉，让通用规则在垂直领域有针对性的行业子标准来落地。目前，针对石油化工、风电、火电、煤炭、矿山、传媒、具身智能等重点行业的专用建设指南正在加紧研制中。工信部启动的“工业数据筑基行动”更是明确提出，要依托龙头企业组建的联合体，“研制一批工业数据标准”，系统梳理并完善工业数据标准体系。这种“基础标准+行业细则”的模式，既保证了全网的互联互通，又尊重了行业的特殊规律，避免了“一个方子治百病”的尴尬。

最后，是“评测与互认机制”的闭环构建，确保标准不是“橡皮图章”。国家数据局发布《关于推进行业高质量数据集建设行动的实施方案（征求意见稿）》提出发起高质量数据集测评联合行动倡议，推动相关单位按照标准，采用统一测评方案和工具开展测评和封装工作，实现“一次测评、全国互认”。一旦数据集通过了国家认可的标准化评测，其质量等级就在全国范围内得到承认，可以在不同的算力平台、大模型厂商之间自由流通。这种基于“硬核”评测的互认机制，才是打破“数据孤岛”、激活数据要素市场的关键一招。